索引词 |
| 软件性能估算,用例点指数变换,线性回归。 |
介绍 |
| 软件估计是一个重要的过程发生在软件项目生命周期。估算软件规模、资源和成本都包括在这个评估过程。软件工作评估是用来估计所需的努力开发一个软件项目。估算软件工作在软件生命周期的早期阶段是具有挑战性和复杂的软件公司。大多数软件项目失败的发生由于软件规模不当,系统和软件需求在需求阶段的不确定性。有很多软件性能估算模型用于预测软件生命周期的初始阶段的努力。根据Boehm[8],软件工作评估方法分为六类:参数模型、专家判断,面向学习的技术,包括案例推理(CBR)方法,基于回归的方法;基于动力学模型和复合方法。准确估算不当导致可怜的预算和计划。 |
| 改善工作估计的准确性,需要适当的沟通,帮助管理者有效地分配资源,在项目开发的初始阶段完成的。评估软件项目的规模包括用例点、功能点,对象点.Accurate估算软件规模的确定质量是复杂的软件开发中,软件项目的效率。 |
| 在本文中,我们专注于更精确的估计结果给出了基于用例图作为输入软件规模和用例点作为输出。线性回归模型与指数变换用于找出变量之间的关系,包括软件规模和工作为提高软件性能估算的准确性。 |
| 下一节解释了相关研究项目,在第3节描述了该方法。第五节描述结果和结论。 |
相关研究 |
| 在项目开发的初始阶段,工作量估计对软件行业至关重要。以满足行业的需求,软件估计应该准确、可靠。 |
| 约瑟夫。B和等人[2]提出了回归模型估算软件工作基于用例图作为输入,并生成用例点作为软件项目的输出。应用回归分析找出软件的努力之间的关系与对数变换和规模,提高软件性能估算的准确性。 |
| 王F和出版社[3]提出了一种扩展用例点方法软件努力评估来解决不确定性和突然的用例的分类。扩展用例点方法结合模糊逻辑的方法和贝叶斯信念网络提供的概率分布和分类逐步refinesin软件估算工作量。 |
| Lopez-Martin和出版社[4]提出了一个广义回归神经网络的预测软件努力从工业项目获得的数据集在ISBSG库中。提高软件工作评价的准确性在相对误差的大小(MMRE)和平均绝对误差(MAE)。许多项目已经被训练来验证神经网络模型。输入到神经网络模型依赖于用例点,功能点,行代码训练数据。 |
| Pendharkar P。C和出版社[5]提出了一个概率模型称为贝叶斯模型为预测提供点预测软件的开发工作。它使用以前的数据集项目改善软件的努力。该模型用于发现和缺失值预测软件的关系的努力。估计风险因素的新工具开发解决贝叶斯决策风险因素的模型,提高了预测的软件工作。 |
| 江Z和出版社[6]提出了影响软件规模的软件开发工作,软件质量。功能点的输入到软件大小用于预测软件的开发工作。它取决于高软件质量导致的交付项目在时间和维护成本。估计所需的努力在每个发展阶段并不会导致项目的失败,提高了软件质量。各种数据点评估用于软件的开发工作。 |
提出的方法 |
| 在这一节中提出的回归模型。如无花果。1所示。数据集是由软件应用程序的用例图作为输入。用例图展示了系统的功能需求。用例点计算通过确定演员的数量和可变性。努力估计计算乘以每个用例点大小20人小时提出的圆锥形石垒[1]。 |
| 计算的努力之后,获得的数据必须分布正常。如果数据没有标准化,规范化的数据利用指数变换。后指数变换,线性回归应用于发现exp(大小)和实验之间的关系(努力),提高软件性能估算的准确性。 |
答:用例点 |
| 用例点模型的方法来估算软件规模在软件生命周期的早期阶段。用例点模型由两个阶段调整用例点(UUCP),调整用例点(规定)。未经调整的点计算通过添加两项未经调整的演员重量和未经调整的用例的重量。 |
(一)未经调整的演员的体重(UAW) |
| UAW计算通过计算数量的演员参与用例图。如表1所示的演员被归类为简单,一般来说,复杂和重量乘以相应的复杂性。 |
| UAW表示如方程(1)所示 |
| UAW =(简单的演员数量* 1)+(平均演员数量* 2)+(复杂的演员数量* 3)(1) |
(b)未经调整用例体重(UUCW) |
| UUCW计算通过计算的数量用例的用例图。如表2所示的用例分为简单,一般来说,复杂的基于事务的数量。复杂性重量分配基于用例事务。UUCW表示如方程(2)所示 |
| UUCW =(简单的用例数量* 5)+(平均用例数量* 10)+(复杂的用例数量* 15)(2) |
(c)未经调整的用例点(UUCP) |
| 未经调整的用例点计算通过添加未经调整的演员的体重和体重.UUCP未经调整的用例是方程(3)所示 |
| UUCP = UAW + UUCW (3) |
(d)调整用例点(规定) |
| 计算未调整用例点后,调整用例点乘以计算环境因素和技术因素。 |
(e)环境复杂性因子(ECF) |
| 环境复杂性因子(ECF)是用来调整大小基于系统的环境因素。如表3所示,它取决于8环境因素(E1-E8)和重量分配给每个因素基于它的效率。环境因素是方程(4)所示 |
| ECF = 1.4 +(-0.03 *环境因素)(4) |
(f)技术复杂性因子(TCF) |
| 技术复杂性因子(TCF)是用来调整系统的基于技术因素的大小。如表4所示,它取决于13技术因素(T1-T13)和重量分配给每个因素基于它的复杂性。技术因素是方程(5)所示。 |
| TCF = 0.6 +(0.01 *技术因素)(5) |
(g)用例点 |
| 因此,调整用例点(规定)计算从未经调整的用例点(UUCW和UAW),技术因素(TCF)和环境因素(ECF)已经被确定。用例点(规定)计算方程(6)所示 |
| 跟单信用证= (UUCW + UAW) x TCF ECF (6) |
(h)软件工作 |
| 基于圆锥形石垒,软件是计算方程(7)所示 |
| 努力=大小* 20 (7) |
| 大小计算从跟单信用证和精力亲自测量时间。 |
B。回归模型 |
| 软件工作取决于大小,项目复杂团队的生产力。软件努力表示如下[7]。所示的方程表示为公式(8) |
 (8) |
| 该回归模型用于找出软件规模和工作之间的关系。提高软件性能估算的准确性应该是正态分布的数据。回归分析是应用于规范化数据。如果数据没有归一化指数变换应用之间的大小和精力如方程(9)所示 |
| exp(努力)= exp(大小)+ c (9) |
| 回归模型取决于软件规模的增加,软件的努力增加。软件工作和指数回归模型方程变换方程(10)所示 |
 (10) |
结果与讨论 |
| 在本节中,我们讨论的结果,我们的工作。评估模型的性能线性回归模型与指数变换和对数线性回归模型。预测软件努力从用例之间的比较进行了线性回归模型和指数变换和对数线性回归模型。它显示了软件规模和工作之间的关系,如图2所示。提高软件性能估算的准确性的评估过程是基于均值的大小相对误差(毫米),预测水平(PRED)、根均方误差(RMSE),平均绝对误差(MAE),标准偏差(SD)。图3显示了精度计算获得的实际工作和reg-effort之间的区别。 |
结论 |
| 用例模型是用于软件生命周期的早期阶段进行早期的软件工作量估计。这个模型的主要优势是,它是简单和易于自动化。本文给出用例点作为输入的软件规模和我们分析了对数线性回归模型和线性回归模型和指数变换用于软件工作量评估。本文提出的回归模型用于解决缺点和用于提高软件性能估算的准确性。 |
表乍一看 |
|
|
数据乍一看 |
|
|
引用 |
- 圆锥形石垒,G, .Resource objectoryprojects估计。客观Systems.1993
- 约瑟夫,他还是Ho, D。,Capretz, L.F., . Regression model for software effort estimation based on the use case point method. In: 2011 International Conference on Computer and Software Modeling, Singapore, pp. 117–121.2011a
- 王,F。,Yang, X., Zhu, X., Chen, L., Extended use case points method for software cost estimation. In: International Conference onComputational Intelligence and Software Engineering2009.
- Lopez-Martin C。Isaza C。,Chavoya, A.,. Software development effort prediction of industrial projects applying a general regression neuralnetwork. Empirical Software Engineering 17,pp 1–19.2011
- Pendharkar,,Subramanian, G.H., Rodger, J.A., A probabilistic model for predicting software development effort. IEEE Transactions onSoftware Engineering 31,pp 615–624.2005.
- 江,Z。,Naudé, P., Jiang, B.,. The effects of software size on development effort and software quality.International Journal of Computer andInformation Science and Engineering 1, 230–234.2007
- d . d . Galorath和m . w . Evans,软件规模估算、andRisk管理。美国波士顿,MA:奥尔巴赫出版物,2006
- Boehm, B.W.,Software Engineering Economics. Prentice-Hall.1981
|
菜单
(8)
(10)
